Physics-Informed neural networks (PINNs) are a novel approach to integrate physical models with neural networks when solving supervised learning tasks. They have shown promising potential in solving partial differential equations (PDEs) using space and time coordinates as input. However despite their promise, they often fail to train when target PDEs contain high frequencies are multi-scale features.

Thermal modelling of power transformers is a fundamental practice for monitoring and improving their efficiency and lifetime.

In this work, we investigate the performance of different PINN models in a specific 1D thermal modelling problem derived to model the heat distribution inside a transformer. Measurements taken from a real transformer in service are used, which include the top-oil temperature, the ambient temperetaure, and the load factor. Using this example, we demonstrate the strengts and the limitations of PINNs, propose potential remedies, and provide an overall assessment of the future potential of applying PINNs to transformer thermal modelling. All code is publicly available at https://github.com/OliverOde/PINN_for_Transformer_Thermal_Modelling, accopanied with simulated fake data. 

Fysik-informerade neurala nätverk (PNNs) är ett nytt tillvägagångssätt för att integrera fysikaliska modeller i neurala nätverk för att lösa problem inom väglett lärande (supervised learning). De har visat potential att kunna lösa partiella differentialekvationer genom att använda rum- och tidskoordinater som indata. Trots en lovande potential misslyckats de däremot ofta att lösa vissa typer av ekvationer, till exempel när lösningarna till dessa har höga frekvenser.

Termisk modellering av transformatorer är viktigt för att kunna övervaka och förbättra deras effektivitet and livstid.

I denna avhandling undersöker vi olika PINN-modellers prestation i ett specifikt 1D termiskt modelleringsproblem med syftet att modellera värmedistributionen inuti en transformator. Vi använder data som är tagna från en riktig transformator i arbete, som består av toppoljetemperatur, omgivande temperatur samt belastningsfaktor. Genom detta exempel demonstrerar visar vi PINNs styrkor och begränsningar, ger förslag på hur vi kan göra dem bättre, samt ger en bedömning av potentialen att använda PINNs för termisk modellering av transformatorer. All kod är tillgänglig här: https://github.com/OliverOde/PINN_for_Transformer_Thermal_Modelling,där datan som används har simulerats.